CrewAI🕐 18 мин📅 Май 2025

CrewAI на практике: создание AI-бота поддержки командой мульти-агентов

С нуля строим полноценную систему поддержки на базе мульти-агентов с использованием CrewAI. Agent-исследователь анализирует запрос, Agent базы знаний выполняет поиск, Agent-автор формирует ответ, Agent контроля качества проверяет — весь процесс автоматизирован.

Почему именно CrewAI?

CrewAI — один из самых лаконичных фреймворков для мульти-агентов. Его ключевая идея — «роль + цель + предыстория»: три строки конфигурации — и Agent готов. По сравнению со сложными конечными автоматами LangGraph, CrewAI лучше подходит для быстрого внедрения.

🎯 Сценарии применения

Поддержка клиентов, ревью кода, создание контента, анализ данных — любой рабочий процесс с чётким разделением ролей отлично ложится на CrewAI.

Архитектура системы

Наша команда мульти-агентов для поддержки включает 4 роли:

Classifier — классифицирует запрос клиента (технический / цена / послепродажное обслуживание)
KnowledgeSearcher — выполняет поиск по базе знаний о продуктах (спецификации, RAG)
ResponseWriter — формирует профессиональный ответ на основе контекста
QualityReviewer — проверяет качество ответа и принимает решение: опубликовать или переписать

Полная реализация кода

Step 1: Установка зависимостей

pip install crewai langchain langchain-community
pip install 'crewai[tools]'   # встроенный набор инструментов
pip install qdrant-client      # векторная БД (при использовании RAG)

Step 2: Определение ролей Agent

from crewai import Agent, Task, Crew

classifier = Agent(
    role="Классификатор обращений",
    goal="Быстро и точно определить тип вопроса клиента",
    backstory="Опытный оператор колл-центра с 5-летним стажем. "
              "Знает все категории обращений и типичные паттерны.",
    verbose=True,
    allow_delegation=False  # не делегирует, выполняет сам
)

searcher = Agent(
    role="Поисковик базы знаний",
    goal="Найти релевантную информацию о продуктах Sanduoyun",
    backstory="Технический эксперт по GPU-серверам. "
              "Знает все спецификации и может найти нужные данные.",
    tools=[search_tool, scrape_tool],  # инструменты MCP
    verbose=True,
    allow_delegation=False
)

writer = Agent(
    role="Автор ответов",
    goal="Написать профессиональный и дружелюбный ответ клиенту",
    backstory="Копирайтер с опытом в B2B-сегменте. "
              "Пишет чётко, по делу, без воды.",
    verbose=True,
    allow_delegation=True  # может делегировать другим Agent
)

reviewer = Agent(
    role="Контроль качества",
    goal="Убедиться что ответ готов к отправке",
    backstory="QA-специалист с вниманием к деталям. "
              "Не пропустит ошибку или неточность.",
    verbose=True,
    allow_delegation=False
)

Step 3: Определение Tasks

classify_task = Task(
    description="Классифицируй обращение клиента: "
                "TECHNICAL / PRICE / SUPPORT / SALES",
    agent=classifier,
    expected_output=" одна категория из: TECHNICAL, PRICE, SUPPORT, SALES"
)

search_task = Task(
    description="Найди в базе знаний релевантную информацию. "
                "Если обращение техническое — найди спецификации. "
                "Если про цену — найди прайс и акции. "
                "Если про поддержку — найди SLA и условия.",
    agent=searcher,
    expected_output=" структурированная информация из базы знаний",
    context=[classify_task]  # входные данные из предыдущего шага
)

write_task = Task(
    description="На основе классификации и найденной информации "
                "напиши ответ клиенту. Используй только проверенные данные.",
    agent=writer,
    expected_output=" готовый ответ клиенту на русском языке",
    context=[classify_task, search_task]
)

review_task = Task(
    description="Проверь ответ: нет ли фактических ошибок, "
                "правильный ли тон, всё ли учтено. "
                "Если есть проблемы — исправь.",
    agent=reviewer,
    expected_output=" финальный ответ и вердикт: APPROVED или REVISION",
    context=[write_task]
)

Step 4: Сборка Crew и запуск

crew = Crew(
    agents=[classifier, searcher, writer, reviewer],
    tasks=[classify_task, search_task, write_task, review_task],
    process="sequential",  # последовательное выполнение (также доступен режим "hierarchical" с менеджером)
    verbose=True,
    memory=True  # общая память между Agent
)

# запуск взаимодействия мульти-агентов
result = crew.kickoff(
    inputs={"customer_message": user_input}
)

print(result)  # итоговый ответ

Step 5: Конфигурация GPU-ресурсов (CrewAI + vLLM)

# gpu_config.yaml
# выделяем отдельный экземпляр LLM для каждого Agent
deployment:
  vllm:
    model: "meta-llama/Llama-3-8B-Instruct"
    tensor_parallel_size: 1    # по 1 GPU на каждый Agent
    gpu_memory_utilization: 0.85
    max_num_seqs: 256
    ports: [8001, 8002, 8003, 8004]  # отдельный порт для каждого Agent

  crew:
    agents:
      classifier:   {port: 8001, gpu: 0}
      searcher:     {port: 8002, gpu: 0}
      writer:       {port: 8003, gpu: 1}
      reviewer:     {port: 8004, gpu: 1}

# рекомендуемое оборудование: SDY-421GU-TNXR (8× L40S)
# - Agent 0-3 → GPU 0-3 (соединение NVLink)
# - Agent 4-7 → GPU 4-7 (соединение NVLink)

Режим менеджера (CrewAI Hierarchical)

Помимо последовательного режима, CrewAI поддерживает «режим менеджера»: один Agent-менеджер отвечает за распределение задач, а несколько Agent-исполнителей работают параллельно.

# режим менеджера: эффективнее, подходит для масштабных задач
crew_hierarchical = Crew(
    agents=[manager, executor_1, executor_2, executor_3],
    tasks=[complex_task],
    process="hierarchical",
    manager_agent=manager  # назначаем менеджера
)

# менеджер автоматически разбивает задачу → распределяет исполнителям → собирает результат
result = crew_hierarchical.kickoff()

Расширение: интеграция инструментов MCP

Используем протокол MCP, чтобы дать Agent доступ к внешним инструментам: поиску, CRM, запросам к данным.

from crewai.tools import MCPTool

# подключаем шину инструментов MCP
search_tool = MCPTool(
    server="https://api.sanduoyun.com/mcp",
    tool="search_knowledge_base"
)
crm_tool = MCPTool(
    server="https://api.sanduoyun.com/mcp",
    tool="query_crm"
)

searcher = Agent(
    role="Поисковик",
    tools=[search_tool, crm_tool],
    ...
)

Масштаб	Сервер	GPU	Количество Agent	Цена
Разработка / тестирование	SDY-4208-I4	4× L40S	1-5	¥68,000
Малое производство	SDY-421GU-TNXR	8× L40S	5-15	¥128,000
Среднее производство	SDY-5126-TNRT	8× H100	15-50	¥580,000

CrewAI на практике: создание AI-бота поддержки командой мульти-агентов

Почему именно CrewAI?

🎯 Сценарии применения

Архитектура системы

Полная реализация кода

Step 1: Установка зависимостей

Step 2: Определение ролей Agent

Step 3: Определение Tasks

Step 4: Сборка Crew и запуск

Step 5: Конфигурация GPU-ресурсов (CrewAI + vLLM)

Режим менеджера (CrewAI Hierarchical)

Расширение: интеграция инструментов MCP

Рекомендации по оборудованию

📌 Нужен полноценный демо-стенд поддержки на Agent?

CrewAI на практике: создание AI-бота поддержки командой мульти-агентов

Почему именно CrewAI?

🎯 Сценарии применения

Архитектура системы

Полная реализация кода

Step 1: Установка зависимостей

Step 2: Определение ролей Agent

Step 3: Определение Tasks

Step 4: Сборка Crew и запуск

Step 5: Конфигурация GPU-ресурсов (CrewAI + vLLM)

Режим менеджера (CrewAI Hierarchical)

Расширение: интеграция инструментов MCP

Рекомендации по оборудованию

📌 Нужен полноценный демо-стенд поддержки на Agent?

📚 Похожие материалы